【摘要】为了捕捉农产品市场期货价格波动的复杂特征，进一步提高其预测精度，基于分解集成的思想，构建包含变分模态分解(VMD)和极限学习机(ELM)的分解集成预测模型。首先，利用VMD分解的自适应性和非递归性，选择VMD将复杂时间序列分解成多个模态分量(IMF)。其次，针对VMD分解关键参数模态数K的选取难题，提出基于最小模糊熵准则寻找最优K值的方法，有效避免模态混淆和端点效应问题，从而提升VMD的分解能力。最后，利用ELM强大的学习能力和泛化能力，对VMD分解得到的不同尺度子序列进行预测，集成得到最终预测结果。以CBOT交易所稻谷、小麦、豆粕期货价格作为研究对象，实证结果表明，该分解集成预测模型在预测精度和方向性指标上，显著优于单预测模型和其它分解集成预测模型，为农产品期货价格预测提供了一种新途径。